Het systeem maakt naast kunstmatige intelligentie ook gebruik van satellietbeelden en is al met succes getest om te anticiperen op aardappelprestaties.
Onderzoekers van het Remote Sensing Laboratory (LATUV) van de Universiteit van Valladolid (UVa) hebben een nieuwe vegetatie-index ontworpen waarmee voorspellingsmodellen voor gewassen kunnen worden verbeterd. De nieuwe techniek, die gebruik maakt van ESA Sentinel-2-satellietbeelden en machine learning en kunstmatige intelligentie-technieken, is met succes getest bij het voorspellen van de opbrengst van aardappel- en tarwegewassen.
De landbouwproductie is afhankelijk van een groot aantal factoren, zowel mens als milieu, die voor grote onzekerheid zorgen bij boeren. Maar technologie kan een belangrijke bondgenoot zijn bij het verminderen ervan. Dit is het geval voor computationele modellen die het gedrag van een gewas onder specifieke omstandigheden willen simuleren, bijvoorbeeld bodem, klimaat of landbouwpraktijken, en, afhankelijk van deze verwachte evolutie, de landbouwproductie schatten.
"Er zijn veel modellen en ze zijn meestal specifiek voor elk type gewas", legt Diego Gómez uit, een LATUV-onderzoeker en eerste auteur van twee onlangs gepubliceerde onderzoeken in de tijdschriften International Journal of Remote Sensing en Agricultural and Forest Meteorology.
Maar deze traditionele groeimodellen hebben enkele beperkingen, zoals 'het onvermogen om variabiliteit binnen hetzelfde perceel ruimtelijk te modelleren' of de veelheid aan invoergegevens die ze nodig hebben 'die' gewoonlijk niet worden verkregen vanwege de hoge kosten van tijd en geld die gemoeid zijn met het verzamelen ervan. . "
Aardappelteeltgebied waarop de schattingen zijn gemaakt / D. Gómez
Zo wedden we de laatste jaren op een technologie, teledetectie, die spectrale beelden gebruikt die zijn gemaakt door optische sensoren (geïnstalleerd op satellieten, vliegtuigen, drones, enz.) En die deze traditionele modellen in sommige gevallen kan aanvullen en zelfs vervangen. Deze spectrale afbeeldingen leveren gegevens over de staat of fenologie van het gewas - de zichtbare externe veranderingen in het plantontwikkelingsproces - die zijn geïntegreerd in modellen die die inputinformatie aanpassen om gewassen te voorspellen.
“Spectrale afbeeldingen dekken de behoefte aan invoergegevens, geven toegang tot externe locaties en hebben lage kosten. Ze zijn ook in staat om informatie te verkrijgen die verband houdt met de productieve capaciteit van het gewas ”, merkt de LATUV-onderzoeker op, die eraan herinnert dat een van de spectrale indices - wiskundige formules die spectrale banden combineren - van vegetatie die het meest wordt gebruikt om de vitaliteit of kracht te schatten. dichtheid van vegetatie - die uiteindelijk de productiviteit van gewassen voorspelt - is de NDVI (NDVI).
Het gebruik van tijdreeksen van deze index om voorspellende modellen van gewassen te genereren is zeer gebruikelijk in de wetenschappelijke literatuur. Deze index maakt gebruik van vegetatiereflectie - het vermogen van de vegetatie om licht te reflecteren - in twee spectrale banden, rood en bijna rood, die respectievelijk gerelateerd zijn aan een deel van het licht dat wordt gebruikt voor fotosynthese en de celstructuur van de bladeren.
Een nieuwe vegetatie-index
LATUV-onderzoekers hebben een nieuwe index ontwikkeld met de naam PPI op basis van ESA Sentinel-2-satellietbeelden die, naast de spectrale informatie die betrokken is bij fotosynthese - 400 tot 700 nanometer - ook rekening houdt met informatie uit andere gebieden van het elektromagnetische spectrum -704 nanometer, Red Edge-band en 945 nanometer, waterdampabsorptieband, die andere belangrijke informatie kan geven over de toestand van het gewas, zoals de waterstress, wanneer de plant meer water nodig heeft dan hij heeft.
Onderzoekers vergeleken de voorspellende capaciteit van beide vegetatie-indices, NDVI en PPI, samen met meer gegevens van satellietbeelden. Om dit te doen, gebruikten ze twee algoritmen voor kunstmatige intelligentie en machine learning (Random Forest en Support Vector Machine genaamd) en genereerden ze verschillende modellen waarin ze deze indexen combineerden met de andere satellietbanden.
"De hypothese was dat, door een index te gebruiken die andere banden gebruikt die niet zijn opgenomen in de populaire NDVI-index en, aan de andere kant, met enig potentieel om gevoelige gewasinformatie te verstrekken, de voorspellende modellen beter zouden zijn", zegt Gómez, die verder gaat dat, tenslotte, het voorspellende vermogen van de modellen "toenam wanneer een of beide vegetatie-indices werden meegenomen", hetgeen waardeert "het gebruik van deze gegevens in combinatie met bepaalde individuele satellietbanden".
Nauwkeurigere voorspellingen in de aardappelteelt
De resultaten tonen aan dat de PPI-index vergelijkbare informatie biedt als NDVI bij gebruik van het Support Vector Machine-algoritme, en significant informatiever is dan NDVI bij gebruik van het Random Forest-algoritme, veelbelovende resultaten 'die een nieuwe vegetatie-index op tafel leggen die de voorspellende waarde kan verbeteren. oogstmodellen op basis van satellietbeelden ”.
Tot nu toe is de nieuwe index getest op aardappelteelt in een vrij gelokaliseerd studiegebied. Na granen is aardappel wereldwijd een van de belangrijkste voedselgewassen. Het speelt een sleutelrol in de voedselzekerheid van ontwikkelingslanden en heeft ook een groot gewicht in de Europese landbouwsector, met Duitsland, Frankrijk, Nederland en Polen als grote producenten. Het is ook getest in tarwe met gegevens uit Mexico.
Het idee van de apparatuur is om het aantal gegevens te vergroten om de stevigheid van het model te verbeteren, een groter studiegebied te bestrijken om de ruimtelijke variabiliteit te vergroten en nieuwe gewassen op te nemen. Perspectieven die afhankelijk zijn van continuïteit van de financiering en die boeren kunnen helpen hun oogst in de toekomst betrouwbaarder te voorspellen.